随着声呐技术的发展,研究学者发现通过其获取的图像中包含了较为丰富的底质特征信息,据此可以了解底质类型,并作为水下勘测、反演地貌和军事作战的新型辅助手段。本课题基于声呐成像基本原理及影响因素,针对其特征,研究分析了多种去噪增强、特征提取及分类识别技术。根据方法优缺点及仿真结果选出合适的处理方法,形成一个基于海底底质声呐图像处理与分析的完整体系,对于海底研究具有深远的意义和价值。首先,简单介绍了本课题研究海底底质声呐图像处理和分类的目的及意义,分析了国内外对海底底质声呐探测及图像分类的研究现状和进展,并结合探测系统工作原理阐述声呐图像生成过程,以及本课题所用样本数据集的来源。其次,考虑影响海底底质声呐图像分辨率的主要因素以及噪声来源和性质,针对性地分析研究适用于声呐图像的多种预处理方法,通过分析研究及仿真效果对比,选用排序自适应中值滤波算法对其进行降噪处理。同时考虑图像分辨率低、对比度较差等情况,采用基于Curvelet变换域的自适应增强方法再对其进行处理,在提高纹理细节特征及整体对比度方面有明显优势。再次,为了提高图像识别分类的精准度,需要在此之前进行有效的特征提取处理,根据海底底质声呐图像特有的边缘、纹理及统计信息,本文先后引用尺度不变特征转换、灰度共生矩阵及改进的灰度-基元共生矩阵三种方法进行研究及仿真。方法一简洁方便,提取速度较快,方法二提取的特征矩阵更能代表不同底质,本文提出的方法三应用并结合Canny边缘提取算法与灰度-基元共生矩阵法,将边缘形状统计特征与灰度相关性有机结合,更准确地提取特征信息。三种方法从多方面入手,有利于匹配不同类型分类器以达到更好的分类识别效果。最后,本文引用SVM、BP、CNN三种分类算法对海底底质声呐图像进行分类研究,并针对性地匹配了较合适的特征提取方法。通过分析对比,CNN模型获得准确率较高,更适用于海底底质声呐图像分类处理,故选用其作为最终分类方法。通过参数动态调节,将分类准确率提升至98.1%,最后借助Tensorboard展示出模型框架组成及准确率可视化曲线,效果良好,验证了CNN模型在海底底质声呐图像识别分类上具有较高应用价值和研究意义。